摘 要：針對單通道條件下同頻同調(diào)制混合信號分離時存在的計算復(fù)雜度高、分離效果差等問題，提出一種基于時域卷積的多尺度融合遞歸卷積神經(jīng)網(wǎng)絡(luò)（recursive convolutional neural network， RCNN），采用編碼、分離、解碼結(jié)構(gòu)實現(xiàn)單通道盲源分離。首先，編碼模塊提取出混合通信信號的編碼特征;然后，分離模塊采用不同尺度大小的卷積塊以進(jìn)一步提取信號的特征信息，再利用1×1卷積塊捕獲信號的局部和全局信息，估計出每個源信號的掩碼;最后，解碼模塊利用掩碼與混合信號的編碼特征恢復(fù)源信號波形。仿真結(jié)果表明，所提多尺度融合RCNN不僅可以分離出僅有少量參數(shù)區(qū)別的混合通信信號，而且相較于U型網(wǎng)絡(luò)（U Net）降低了約62%的參數(shù)量和41%的計算量，同時網(wǎng)絡(luò)也具有較強的泛化能力，可以高效面對復(fù)雜通信環(huán)境的挑戰(zhàn)。

關(guān)鍵詞： 單通道盲源分離; 深度學(xué)習(xí); 同頻同調(diào)制信號分離; 多尺度融合遞歸卷積神經(jīng)網(wǎng)絡(luò); 通信信號處理

中圖分類號： TN 911

文獻(xiàn)標(biāo)志碼： ADOI：10.12305/j.issn.1001 506X.2025.02.30

Single channel blind source separation algorithm for co frequency and

co modulation based on multi scale fusion neural network

FU Weihong*， ZHANG Xinyu， LIU Naian

（School of Telecommunications Engineering， Xidian University， Xi’an 710071， China）

Abstract：To address the issues of high computational complexity and poor separation performance in separating co frequency and co modulation mixed signals under single channel conditions， a multi scale fusion recursive convolutional neural network （RCNN） based on time domain convolution is proposed. The proposed architecture adopts an encoding separation decoding structure to achieve single channel blind source separation. Specifically， the encoding module extracts the encoding feature of the mixed communication signal. Then， the separation module employs convolutional blocks of varying scale sizes to further extract feature information from the signal. Subsequently， it utilizes 1×1 convolutional blocks to capture both local and global information of the signal， estimating masks for each source signal. Finally， the decoding module uses these masks along with the encoding features of the mixed signal to reconstruct the waveforms of the source signals. Simulation results demonstrate that the proposed multi scale fusion RCNN not only achieves separation of mixed communication signals with only minor parameter differences， but also reduces the number of parameters and computational complexity by approximately 62% and 41% respectively， compared to the U Net. Moreover， the network exhibits strong generalization ability and can effectively handle the challenges posed by complex communication environments.

Keywords：single channel blind source separation; deep learning; co frequency and co modulation signals separation; multi scale fusion recursive convolutional neural network （RCNN）; communication signal processing

0 引 言

單通道盲源分離（single channel blind source separation， SCBSS）^［1-3］算法是機(jī)械故障診斷^［4-6］、生物醫(yī)學(xué)信號分析^［7-8］等領(lǐng)域的研究熱點，但由于缺乏先驗知識，針對成對載波多址等同頻同調(diào)制混合信號的盲源分離問題^［9-11］，信號在時頻域完全重疊，傳統(tǒng)的時頻域、碼域濾波等方法并不適用。目前，在同頻混合信號盲源分離問題的解決算法中，常用的算法是粒子濾波（particle filter， PF）算法^［12-13］和逐幸存路徑處理（per survivor processing， PSP）算法^［14-16］。但是，PF和PSP算法由于計算復(fù)雜度高、分離性能不穩(wěn)定，無法解決信道記憶長度較長時的盲源分離問題，在實際應(yīng)用中存在較大的限制。

近年來，深度學(xué)習(xí)方法憑借其優(yōu)秀的特征提取能力被用于解決混合信號的盲源分離問題^［17］。Luo等^［18-20］針對語音分離問題先后提出了編碼器-分離器-解碼器的架構(gòu)并對其進(jìn)行改進(jìn)，直接在時域中對信號進(jìn)行建模。Li等^［21］提出的自上而下注意力機(jī)制網(wǎng)絡(luò)（top down attention network， TDANet）利用全局注意力模塊和級聯(lián)的局部注意力模塊來獲得一個自上而下的注意力表示，可以兼顧性能和效率，對于語音分離模型的應(yīng)用部署具有一定意義。在通信信號盲分離領(lǐng)域，Wei等^［22-23］提出的網(wǎng)絡(luò)通過識別混合信號的頻譜的特征數(shù)據(jù)實現(xiàn)位序列的分離;針對同頻同調(diào)制混合信號，Chen等^［24］提出一種應(yīng)用于信號分離的門控循環(huán)單元網(wǎng)絡(luò);Ma等^［25］在卷積時域音頻分離網(wǎng)絡(luò)（covolutional time domain audio separation network， ConvTasNet）的基礎(chǔ)上提出端到端深度分離網(wǎng)絡(luò)，基于注意力的卷積單元可以同時捕獲混合信號的局部和全局信息，但此方法的分離性能還有進(jìn)一步提高的空間。

此外，基于殘差連接的U型網(wǎng)絡(luò)（U Net）^［26-28］在圖像處理領(lǐng)域得到廣泛的應(yīng)用，其編碼器-解碼器的結(jié)構(gòu)使得U Net能夠有效處理圖像的上下文信息和局部細(xì)節(jié)，其采用的跳躍連接方式更有助于將低級別的細(xì)節(jié)信息傳遞給解碼器，從而提高信號分離的精度。

為了解決單通道條件下同頻同調(diào)制混合信號分離時計算復(fù)雜度高、分離效果差等問題，本文在ConvTasNet編碼器、分離器-解碼器架構(gòu)的基礎(chǔ)上，結(jié)合U Net的多尺度跳躍連接以及殘差連接的方式設(shè)計一種多尺度融合遞歸卷積神經(jīng)網(wǎng)絡(luò)（recursive convolutional nerual network， RCNN），網(wǎng)絡(luò)整體架構(gòu)分為編碼、分離和解碼3個模塊，編碼和解碼模塊采用一維卷積結(jié)構(gòu)，分離模塊采用以堆疊卷積塊進(jìn)行遞歸演進(jìn)的多尺度卷積單元和融合單元。

1 SCBSS信號傳輸模型

同頻同調(diào)制混合信號是單通道混合信號的一種特殊類型，組成N個分量信號具有相同或者近似相同的載波頻率，N個信號彼此獨立，且調(diào)制方式相同?；旌辖邮招盘柕牡刃Щ鶐П磉_(dá)式為

y（t）=∑Ni=1hie^{j（Δωit+θi）}si（t）+v（t）（1）

式中：si（t）是第i路數(shù)字基帶調(diào)制信號;hi表示信道衰減系數(shù)。一般情況下，通信信道為平坦慢衰落信道，其在有限時間內(nèi)可視作一個常量;Δωi為第i路信號的殘余頻偏;θi為第i路信號的初始相位;v（t）表示加性高斯白噪聲，其中si（t）可以進(jìn)一步表示為

si（t）=∑+∞m=－∞amigi（t－mT－τi）， i=1，2，…，N（2）

式中：ami表示第i路第m個傳輸符號信息，其取值與調(diào)制方式有關(guān);gi（t）表示脈沖成型濾波器沖激響應(yīng)函數(shù);T表示一個符號周期;τi表示信道的傳輸時延，0lt;τilt;T。假設(shè)基帶信號si（t）均采用升余弦濾波器，其沖激響應(yīng)函數(shù)gi（t）的表達(dá)式如下：

gi（t）=sin（πt/T）πt/Tcos（αiπt/T）1－（2αit/T）2， －∞lt;tlt;+∞（3）

式中：αi為滾降系數(shù)。

在接收端，分離模型可以描述為

S^=W⊙Y（4）

式中：W是分離矩陣;⊙是哈達(dá)瑪矩陣乘積;Y表示接收到的信號，S^表示估計得到的源信號。在傳統(tǒng)方法中，W是分離混合信號的關(guān)鍵。但是，在本文中，沒有對W進(jìn)行復(fù)雜的數(shù)學(xué)推導(dǎo)和建模，而是選擇使用深度神經(jīng)網(wǎng)絡(luò)在特征空間中實現(xiàn)分離。因此，分離模型可以重新表述為

S^=hd（hs（he（Y））⊙he（Y））（5）

式中：he、hs和 hd分別表示編碼模塊、分離模塊以及解碼模塊的處理操作。混合信號Y經(jīng)過編碼模塊處理后得到其編碼特征he（Y），然后被輸入到分離模塊分別計算其掩碼hs（he（Y））。最后，解碼模塊將編碼特征與掩碼相乘的結(jié)果再恢復(fù)為原始信號。

2 網(wǎng)絡(luò)架構(gòu)與方案

2.1 基于時域卷積的多尺度融合RCNN

本文所提出的多尺度融合RCNN以堆疊卷積塊為基礎(chǔ)，一共由3個信號處理模塊組成，分別是編碼模塊、分離模塊和解碼模塊。首先，編碼模塊將切分后的混合通信信號轉(zhuǎn)換為中間特征空間中的相應(yīng)表示，提取混合信號的編碼特征;然后，分離模塊使用該編碼特征來估計每個源信號的相應(yīng)掩碼;最后，解碼模塊根據(jù)源信號掩碼以及信號編碼特征來恢復(fù)源信號波形。整體的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。分離模塊中具有自下而上、自上而下和橫向連接3種連接方式，橫向連接表示信號在不同時間點上的特征信息傳遞。圖1中，不同顏色的Conv單元表示不同尺度的編碼特征，信號所攜帶的特征信息首先沿自下而上的方向逐級通過，然后在相鄰的層級之間并行融合，最后通過跳躍連接的方式共同作為底部層級的輸入通過卷積操作融合在一起，使得網(wǎng)絡(luò)可以同時利用不同尺度的特征信息。不同的節(jié)點用于處理不同規(guī)模的輸入信息。

2.2 編碼模塊

網(wǎng)絡(luò)首先將混合通信信號劃分為長度為L的子信號段，使用x-k∈R^1×L表示，其中k=1，2，…，T^為子信號段索引，T^表示子信號段總數(shù)。通過一維卷積運算將x-k轉(zhuǎn)換為Q維向量w-∈R^1×Q，生成混合信號的多維編碼特征，如下所示：

w-=x-UT（6）

式中：U∈R^Q×L由長度為L的Q個編碼器基函數(shù)構(gòu)成。

一維卷積的內(nèi)部結(jié)構(gòu)如圖2所示，其采用深度可分離卷積（深度卷積和點向卷積相結(jié)合）來替代標(biāo)準(zhǔn)卷積，減少了網(wǎng)絡(luò)的計算量和參數(shù)量。

2.3 分離模塊

為了保證輸入尺度不變，在將編碼模塊提取的混合信號編碼特征w-傳遞給分離模塊之前，需要對其進(jìn)行層歸一化，以有效提高網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性，并增強網(wǎng)絡(luò)的泛化能力。本文選用全局層歸一化方法，使特征在通道和時間維度均被歸一化，有利于損失函數(shù)的收斂，提高訓(xùn)練效率。

針對通信信號分離，網(wǎng)絡(luò)需要維持較長的時間窗口，而堆疊卷積塊的設(shè)計可以有效針對信號的長時依賴性進(jìn)行建模^［29］。因此，本文采用多尺度融合的方式對通信信號進(jìn)行分離。此外，網(wǎng)絡(luò)采用跳躍式連接，將下采樣過程中的高分辨率特征與上采樣過程中的低分辨率特征相結(jié)合，提高分離結(jié)果的準(zhǔn)確性。如圖3所示，不同尺度的信息特征經(jīng)過卷積操作融合后進(jìn)行輸出，構(gòu)成一個Conv卷積單元。不同尺度的特征信息通過相鄰連接的方式在不同的卷積塊之間交換信息，更加充分地利用了信號的特征信息，減少尺度變化對輸出結(jié)果的影響，提高網(wǎng)絡(luò)模型的魯棒性。

如圖4所示，本文采用多個Conv卷積單元級聯(lián)的方式加深神經(jīng)網(wǎng)絡(luò)的層數(shù)，可以更充分地提取混合信號中的特征信息。在不同的Conv卷積單元級聯(lián)時，首先將多尺度融合得到的特征信息與經(jīng)過編碼模塊處理的編碼特征進(jìn)行求和連接，防止由于網(wǎng)絡(luò)層數(shù)加深引起的訓(xùn)練退化，再使用一個1×1卷積來減少特征映射的數(shù)量，作為下一個Conv卷積單元的輸入，具體如下所示：

W（t+1）=f（μ（W（t）⊕w））（7）

式中：W（t）表示經(jīng)過t個Conv卷積單元的輸出特征;⊕表示一個求和連接;μ（w）表示1×1卷積;f（w）表示編碼特征w經(jīng)過一個卷積單元、求和連接和融合單元的過程。

通過多次進(jìn)行多尺度特征融合和全局特征融合操作，可以得到具有更豐富層次抽象特征表達(dá)能力的特征表示，這些特征能夠更好地反映輸入信號的內(nèi)在結(jié)構(gòu)和特征信息，可將這些特征作為分離模塊的輸出。

2.4 解碼模塊

將分離模塊的輸出經(jīng)過參數(shù)化修正線性單元（parametric rectified linear unit， PReLU）激活函數(shù)，以增加網(wǎng)絡(luò)的非線性表示，更好地對數(shù)據(jù)進(jìn)行擬合。首先，將1×1卷積作為瓶頸層，恢復(fù)特征通道數(shù)量;再添加Sigmoid激活函數(shù)，得到源信號的時域掩膜ei∈R^1×Q，i=1，2，…，N，其中N是源信號的數(shù)目，時域掩膜向量ei的值在0到1之間。最后，將混合信號的編碼特征w-與時域掩膜向量ei相乘，即可得到源信號的編碼特征di∈R^1×Q，di的計算公式如下：

di=w-⊙ei（8）

在解碼時，使用一維轉(zhuǎn)置卷積運算從源信號的編碼特征di∈R^1×Q中重建源信號s^i，i=1，2，…，N，該過程可用矩陣乘法表示為

s^i=diV（9）

式中：V的每行是長度為L的解碼模塊基函數(shù)，將分離后的各個子信號段相加，即可獲得完整的源信號。此外，構(gòu)建網(wǎng)絡(luò)時仍使用卷積層和轉(zhuǎn)置卷積層，可以有效解決子信號段重疊的問題，提高網(wǎng)絡(luò)的收斂速度和穩(wěn)定性。

2.5 網(wǎng)絡(luò)訓(xùn)練

在網(wǎng)絡(luò)訓(xùn)練時，一般采用梯度下降法，需要最小化損失函數(shù)，因此采用尺度不變信噪比（scale invariant signal to noise ratio， SISNR）取負(fù)數(shù)作為該網(wǎng)絡(luò)的損失函數(shù)Γ，保證端到端的訓(xùn)練，使得損失最小，其定義如下：

starget=〈s^，s〉ss2

enoise=s^－starget

Γ=－10lgstarget2enoise2（10）

式中：s^是分離信號;s是源信號;〈s^，s〉表示內(nèi)積;s2是l2范數(shù)。

選用Adam優(yōu)化器，通過反向傳播梯度下降算法，分別對編碼部分、掩碼部分和解碼部分進(jìn)行參數(shù)更新，具體的更新方法如下：

ω+=ω－ηΓω（11）

式中：ω表示網(wǎng)絡(luò)中的權(quán)重參數(shù);η是學(xué)習(xí)率，在本文中設(shè)置為0.001。如果驗證集的準(zhǔn)確性在連續(xù)3個輪次內(nèi)沒有提高，則學(xué)習(xí)率減半。

3 仿真實驗分析

實驗中使用的硬件資源為：顯卡為NVIDIA GeForce RTX 3090;處理器為Intel（R） Xeon（R） Silver 4214 CPU@2.20 GHz;內(nèi)存容量為64 GB;基于PyTorch1.10.0框架搭建網(wǎng)絡(luò)。為了更有說服力，同頻同調(diào)制混合信號單通道盲源分離實驗數(shù)據(jù)集的傳輸信道參數(shù)（時延、幅度、信噪比（signal to noise ratio， SNR）等）在一定范圍內(nèi)隨機(jī)產(chǎn)生，并且沒有局限于單一調(diào)制類型，而是涉及了多種調(diào)制類型的數(shù)字調(diào)制方式。本文主要以兩路同頻同調(diào)制混合信號為例進(jìn)行研究，研究結(jié)果對于多路混合信號同樣有效。假設(shè)每路源信號包含2 048個碼元，兩路源信號均采用相同的調(diào)制方式，調(diào)制信號的符號速率為125 Kbps，采樣速率設(shè)置為1 MHz，兩路信號均采用根升余弦濾波器作為脈沖成型濾波器，滾降因子為0.35，等效通道記憶長度為6，在上采樣后分別為兩路信號添加不同的時延，并對信號進(jìn)行功率歸一化，保證每條信號的總功率一致。經(jīng)過實虛部交替級聯(lián)重構(gòu)得到的發(fā)射信號長度為32 866個采樣點，即持續(xù)時間為32.866 ms，滿足分離任務(wù)的長時依賴性要求。接收端接收到的是兩路發(fā)射信號及噪聲的混合信號。生成的數(shù)據(jù)集分為訓(xùn)練集和驗證集，為了保證仿真實驗的可信性，采用蒙特卡羅模擬的方式，在每組參數(shù)下訓(xùn)練集數(shù)據(jù)的條數(shù)為500，驗證集數(shù)據(jù)的條數(shù)為100。在分離網(wǎng)絡(luò)設(shè)計中，設(shè)置編碼模塊和解碼模塊的卷積核大小為21，分離部分的通道數(shù)設(shè)置為，不同尺度的卷積層數(shù)為4，卷積單元塊的重復(fù)次數(shù)為4。分離網(wǎng)絡(luò)將針對訓(xùn)練集訓(xùn)練50個輪次，當(dāng)驗證集上的損失在連續(xù)10個輪次內(nèi)沒有減少時，訓(xùn)練將會提前停止。

本文將在該研究方案的基礎(chǔ)上，分別研究分析不同特征參數(shù)、網(wǎng)絡(luò)層數(shù)等對不同環(huán)境下通信信號SCBSS性能的影響，選用相關(guān)系數(shù)和誤碼率（bit error rate， BER）作為最終的評價指標(biāo)。

3.1 與現(xiàn)有方法的性能比較

在本節(jié)中，使用正交相移鍵控（quadrature phase shift keying， QPSK）調(diào)制的信號作為數(shù)據(jù)集，選擇ConvTasNet、U Net及TDANet作為比較網(wǎng)絡(luò)。初始參數(shù)設(shè)置如下：初始相位θ1=θ2=0、振幅h1=h2=1、頻偏Δω1=Δω2=0，時延差Δτ=|τ1－τ2|=0.125T∶0.125T∶0.875T，即兩路信號只有時延不同，其差值的取值范圍為0.125T至0.875T，且間隔為0.125T。SNR的取值范圍為10 dB至22 dB，間隔為2 dB。分離結(jié)果如圖5所示，3種對比算法均無法將兩路分離信號的平均BER降低到10^－5以下，而所提網(wǎng)絡(luò)在20 dB的SNR下可以達(dá)到該效果。具體來看，所提多尺度融合RCNN在分離性能上要明顯優(yōu)于ConvTasNet和TDANet。與U Net相比，其對SNR的變化更敏感，在SNR為18 dB以上時BER下降趨勢更明顯，分離性能更好。

3.2 消融實驗

通過消融實驗進(jìn)一步研究所提網(wǎng)絡(luò)中各參數(shù)對網(wǎng)絡(luò)計算量和信號分離性能的影響。在此次仿真中，設(shè)置用于訓(xùn)練和測試的數(shù)據(jù)集中的SNR為8 dB，兩路信號的時延差Δτ=0.25T，初始相位θ1=θ2=0、振幅h1=h2=1、頻偏Δω1=Δω2=0，即兩路源信號只有時延不同，其他參數(shù)與第3節(jié)首段中的描述一致。

針對神經(jīng)網(wǎng)絡(luò)而言，衡量其計算復(fù)雜度最重要的指標(biāo)是網(wǎng)絡(luò)的計算量和參數(shù)量，本文中參數(shù)量指的是網(wǎng)絡(luò)模型的參數(shù)總量，計算量指的是乘加累積操作數(shù)。在信號分離性能方面，同時采用SISNR、相關(guān)系數(shù)和BER作為評價指標(biāo)。最終的實驗結(jié)果總結(jié)于表1中。表1中的參數(shù)量表示每秒百萬次浮點運算（million floating point operations per second， MFLOPs）;計算量表示千兆浮點運算（giga floating point operations per second， GFLOPs）。

從表1中可以看到，適當(dāng)?shù)靥嵘蛛x模塊的通道數(shù)、卷積神經(jīng)單元的塊數(shù)以及深度，均可以看到一定程度上的性能提升，但與此同時會導(dǎo)致網(wǎng)絡(luò)參數(shù)量和計算量增加，帶來額外的計算開銷。同時，過多地增加網(wǎng)絡(luò)的復(fù)雜度甚至?xí)?dǎo)致網(wǎng)絡(luò)過擬合，在測試集上表現(xiàn)出性能下降的現(xiàn)象。因此，在綜合考慮后，本文采用通道數(shù)為512、塊數(shù)為4、深度為4的網(wǎng)絡(luò)參數(shù)來進(jìn)行實驗以及與其他網(wǎng)絡(luò)進(jìn)行對比。本文網(wǎng)絡(luò)與對比網(wǎng)絡(luò)的參數(shù)量與計算量如表2所示。

與U Net和ConvTasNet相比，本文網(wǎng)絡(luò)的參數(shù)量較小的原因是在重復(fù)的Conv卷積單元中利用了權(quán)值共享的機(jī)制，而且相較于U Net刪除了一部分跳躍連接和自上而下的連接，減少了一定的參數(shù)量。此外，與TDANet采用輕量級的自編碼器架構(gòu)、ConvTasNet采用全卷積堆疊塊相比，本文網(wǎng)絡(luò)采用遞歸的形式更新Conv卷積單元，其計算量會更高，但分離性能明顯優(yōu)于TDANet網(wǎng)絡(luò)和ConvTasNet網(wǎng)絡(luò)?？傮w來看，本文所提網(wǎng)絡(luò)多尺度融合RCNN與對比網(wǎng)絡(luò)中分離性能最好的U Net相比，不僅降低了約62%的參數(shù)量和41%的計算量，同時也在分離效果上取得了一定的優(yōu)勢。因此，本文所提多尺度融合RCNN網(wǎng)絡(luò)，在保證較好的分離性能的同時，也極大地降低了參數(shù)量和計算量。

3.3 混合信號各參數(shù)對網(wǎng)絡(luò)性能的影響

在本節(jié)中，將重點研究時延差、混合幅度比以及信號調(diào)制類型等參數(shù)對網(wǎng)絡(luò)分離性能的影響。用于訓(xùn)練和測試的數(shù)據(jù)集是QPSK信號，源信號的時延差等信號參數(shù)分別單獨發(fā)生變化，其他參數(shù)保持不變。

圖6展示了不同時延差下分離信號的BER以及相關(guān)系數(shù)。訓(xùn)練數(shù)據(jù)的具體參數(shù)設(shè)置如下：初始相位θ1=θ2=0、幅度h1=h2=1、頻偏Δω1=Δω2=0，時延差Δτ=|τ1－τ2|=0.125T∶0.125T∶0.875T，即兩路信號只有時延不同，其差值的取值范圍為0.125T至0.875T，且間隔為0.125T，SNR的取值范圍為10 dB至22 dB，且間隔為2 dB，其他參數(shù)與第3節(jié)首段中的描述一致?？梢钥吹剑S著時延差的增加，BER整體呈現(xiàn)出先減小后增大的趨勢，甚至當(dāng)時延差Δτ分別為0.375T和0.5T時，可以完全無誤碼地恢復(fù)出兩路源信號，原因是在這種情況下，兩路源信號具有最大的波形差異，此時深度分離網(wǎng)絡(luò)更有能力學(xué)習(xí)到有關(guān)源信號特性的信息;而在時延差Δτ分別為0.125T和0.875T時，兩路源信號的波形更容易被互相影響，此時分離效果相對較差。

圖7顯示了不同混合幅度比下的分離信號的BER和相關(guān)系數(shù)。訓(xùn)練數(shù)據(jù)的具體參數(shù)設(shè)置如下：初始相位θ1=θ2=0、頻偏Δω1=Δω2=0，時延差Δτ=|τ1－τ2|=0.25T，幅度比h1/h2分別為0.1、0.3、0.5、0.7、0.9、1，即兩路信號只有幅度不同，SNR的取值范圍為0 dB至12 dB，且間隔為2 dB，其他參數(shù)與第3節(jié)首段中的描述一致。可以看到，隨著混合幅度比的減小，BER整體也呈現(xiàn)出先減小后增大的趨勢：分離性能在幅度比為0.1時性能最差，在幅度比為0.5時性能最好。經(jīng)分析可知，隨著混合信號幅度比從1開始減小，源信號的幅度差異變得更加明顯，這使得分離網(wǎng)絡(luò)能夠更加針對性地學(xué)習(xí)與幅度相關(guān)的特征信息。因此，隨著混合幅度比的降低，分離性能逐漸變好。但是，當(dāng)幅度比小于0.5時，源信號中幅度較小的一方更容易受到另一個源信號和噪聲的干擾，導(dǎo)致深度神經(jīng)網(wǎng)絡(luò)更難學(xué)習(xí)較弱信號的特征，這一路信號的BER增加，從而影響平均BER。

接下來繼續(xù)研究深度分離網(wǎng)絡(luò)對不同調(diào)制類型的源信號的分離性能。此次實驗的數(shù)據(jù)集包含了5種數(shù)字信號調(diào)制類型：二進(jìn)制相移鍵控（binary phase shift keying， BPSK）、QPSK、8PSK、八進(jìn)制正交振幅調(diào)制（8 quadrature amplitude modulation， 8QAM）和16QAM，每種混合信號都由兩路調(diào)制類型相同的信號混合而成，訓(xùn)練數(shù)據(jù)的具體參數(shù)設(shè)置如下：初始相位θ1=θ2=0、幅度h1=h2=1、頻偏Δω1=Δω2=0，時延差Δτ=|τ1－τ2|=0.25T，SNR的取值范圍為10 dB至22 dB，且間隔為2 dB，其他參數(shù)與第3節(jié)首段中的描述一致。從圖8可以看出，深度分離網(wǎng)絡(luò)對兩路BPSK混合信號的分離性能最佳，對16QAM的分離性能最差。經(jīng)分析可知，隨著調(diào)制階數(shù)的增加，調(diào)制信號的星座點更加密集，兩路信號混合形成的高維星座圖的星座點間平均歐氏距離更小，分離性能逐漸變差。此外，高階調(diào)制的抗噪能力本身就比低階調(diào)制要差，因此在相同SNR下，16QAM信號的BER最大，BPSK信號的BER最小。

上述實驗都是針對兩路同頻同調(diào)制混合信號的分離問題，為了探究網(wǎng)絡(luò)對不同條數(shù)信號的分離能力，將此次實驗的數(shù)據(jù)集設(shè)置為三路不同時延情況下的同頻混合信號，并將其與兩路信號的情形進(jìn)行對比。訓(xùn)練數(shù)據(jù)中所有信號的初始相位均設(shè)置為0，幅度均設(shè)置為1，頻偏均設(shè)置為0，三路混合信號的時延τ分別設(shè)置為0、0.25T以及0.5T，兩路混合信號的時延τ則設(shè)置為0.25T和0.5T，SNR均設(shè)置為10 dB至22 dB，且以2 dB為步進(jìn)間隔，其他參數(shù)與第3節(jié)首段中的描述一致。由圖9可以看到，盡管所提分離網(wǎng)絡(luò)在BER為10^－4這一數(shù)量級時，三路混合信號的分離性能要比兩路混合信號有著約6 dB的差異，但依舊可以做到對三路混合信號的分離，這也證明了多尺度融合RCNN同樣適用于多路同頻同調(diào)制混合信號的分離。

3.4 模擬實際場景下所提網(wǎng)絡(luò)針對混合信號的分離性能

在實際通信環(huán)境中，接收到的混合信號的信號參數(shù)在一段時間內(nèi)是不變的，但是由于通信雙方的位置移動、信道條件發(fā)生變化等因素的影響，相位差Δθ=|θ1－θ2|、時延差、幅度比、SNR等都有可能發(fā)生變化。在這種條件下，分析接收到的混合通信信號同樣具有重要意義。

因此，在本節(jié)中，將繼續(xù)研究深度分離網(wǎng)絡(luò)針對信號參數(shù)在一定范圍內(nèi)隨機(jī)變化時的分離性能，數(shù)據(jù)集以QPSK調(diào)制方式為例，具體參數(shù)設(shè)置如表3所示，其他參數(shù)與第3節(jié)中的描述一致。

經(jīng)過測試，從圖10中可以看到，信號的分離性能均相比于單一參數(shù)變化時的分離性能有所下降，但仍在可接受的范圍內(nèi)，如在13 dB時的分離信號的BER可以達(dá)到10^－4這一數(shù)量級，相關(guān)系數(shù)也一直保持在99.4%以上，說明該網(wǎng)絡(luò)具有良好的分離性能，可以面對復(fù)雜通信環(huán)境的挑戰(zhàn)。

4 結(jié) 論

本文提出一種基于多尺度融合的RCNN，采用編碼、分離、解碼結(jié)構(gòu)實現(xiàn)同頻同調(diào)制混合通信信號的分離。編碼模塊將切分后的信號轉(zhuǎn)換為編碼特征;分離模塊采用不同尺度的卷積單元進(jìn)一步提取信號的特征信息，利用1×1卷積將不同尺度的信息融合，同時捕獲信號的局部和全局信息，估計出源信號對應(yīng)的掩碼;最后，解碼模塊利用掩碼與混合信號的編碼特征恢復(fù)源信號波形。實驗結(jié)果表明，本文所提多尺度融合RCNN可以分離僅有少量參數(shù)區(qū)別的混合同頻同調(diào)制通信信號，而且與對比算法中分離性能最好的U Net相比，不僅降低了約62%的參數(shù)量和41%的計算量，同時也在分離效果上取得了一定的優(yōu)勢，在復(fù)雜通信環(huán)境下具有強大的適應(yīng)性。

參考文獻(xiàn)

［1］PANG L H， DENG X R. A SCBSS methodology for time frequency overlapped signals using non negative matrix factorisation［J］. International Journal of Electronics， 2017， 104（4）： 624-634.

［2］HOPGOOD J R， RAYNER P J W. Single channel nonstationary stochastic signal separation using linear time-varying filters［J］. IEEE Trans.on Signal Processing， 2003， 51（7）： 1739-1752.

［3］DAVIES M E， JAMES C J. Source separation using single channel ICA［J］. Signal Processing， 2007， 87（8）： 1819-1832.

［4］唐貴基， 王曉龍. 參數(shù)優(yōu)化變分模態(tài)分解方法在滾動軸承早期故障診斷中的應(yīng)用［J］. 西安交通大學(xué)學(xué)報， 2015， 49（5）： 73-81.

TANG G J， WANG X L. Parameter optimized variational mode decomposition on method with application to incipient fault diagnosis of rolling bearing［J］. Journal of Xi’an Jiaotong University， 2015， 49（5）： 73-81.

［5］CHERRAD M L， BENDJAMA H， FORTAKI T. Combination of single channel blind source separation method and normal distribution for diagnosis of bearing faults［J］. Jordan Journal of Mechanical amp; Industrial Engineering， 2022， 16（4）： 493-502.

［6］ZHAO X J， QIN Y， HE C B， et al. Underdetermined blind source extraction of early vehicle bearing faults based on EMD and kernelized correlation maximization［J］. Journal of Intelligent Manufacturing， 2022， 33（1）： 185-201.

［7］JIANG X， GENG D Y， ZHANG Y Y， et al. BCG signal denoising method research based on EMD ICA［J］. Chinese Journal of Biomedical Engineering， 2019， 38（2）： 138-145.

［8］SHOKOUHMAND A， TAVASSOLIAN N. Fetal electrocardiogram extraction using dual path source separation of single channel non invasive abdominal recordings［J］. IEEE Trans.on Biomedical Engineering， 2023， 70（1）： 283-295.

［9］WEI C， PENG H， FAN J H. A blind separation method of PCMA signals based on MSGibbs algorithm［J］. Journal of Physics： Conference Series， 2019， 1168（5）： 052050.

［10］DENG Q， ZHANG S S， CHEN G， et al. Blind separation of noncooperative paired carrier multiple access signals based on improved quantum inspired evolutionary algorithm and receding horizon optimization［J］. Concurrency and Computation： Practice and Experience， 2022， 34（12）： e6119.

［11］DENG Q， ZHANG S S， CHEN G， et al. Blind separation of PCMA signals based on iterative quantum genetic optimization［C］∥Proc.of the International Conference on High Performance Big Data and Intelligent Systems， 2019： 35-40.

［12］SCHWIEGELSHOHN F， OSSOVSKI E， HUBNER M. A resampling method for parallel particle filter architectures［J］. Microprocessors and Microsystems， 2016， 47（PB）： 314-320.

［13］HUO T T， GAO Y. A blind separation algorithm for heterogeneous mixed signals［J］. Annals of Telecommunications， 2020， 75： 729-737.

［14］LIAO C H， TU S L， WAN J. Iterative algorithm on single channel blind separation and decoding of co frequency modulated signals［J］. Journal of China Institute of Communications， 2011， 32（8）： 111-117.

［15］TU S L， CHEN Y X， ZHENG H. Exploiting error control codes in single channel blind separation of co frequency modulated signals［J］. Journal of Electronics and Information Technology， 2009， 31（9）： 2113-2117.

［16］LIU X B， GUAN Y L. Single channel blind separation of unsynchronized multiuser PSK signals with non identical sampling frequency offsets［J］. IEEE Communications Letters， 2022， 26（11）： 2774-2778.

［17］XU Y， DU J， DAI L R， et al. An experimental study on speech enhancement based on deep neural networks［J］. IEEE Signal Processing Letters， 2014， 21（1）： 65-68.

［18］LUO Y， MESGARANI N. Tasnet： time domain audio separation network for real time， single channel speech separation［C］∥Proc.of the IEEE International Conference on Acoustics， Speech and Signal Processing， 2018： 696-700.

［19］LUO Y， MESGARANI N. Conv tasnet： surpassing ideal time frequency magnitude masking for speech separation［J］. IEEE/ACM Trans.on Audio， Speech， and Language Processing， 2019， 27（8）： 1256-1266.

［20］LUO Y， CHEN Z， YOSHIOKA T. Dual path RNN： efficient long sequence modeling for time domain single channel speech separation［C］∥Proc.of the ICASSP IEEE International Conference on Acoustics， Speech and Signal Processing， 2020： 46-50.

［21］LI K， YANG R X， HU X L. An efficient encoder decoder architecture with top down attention for speech separation［EB/OL］. ［2023-11-12］. https：∥arxiv.org/abs/2209.15200.

［22］WEI C， PENG H， QIU Z Y. Blind separation of PCMA signals based on neural network［C］∥Proc.of the MATEC Web of Conferences， 2018.

［23］GUO Y M， PENG H， YANG Y. Blind separation algorithm for non cooperative PCMA signal based on feedforward neural network［J］. Acta Electronica Sinica， 2019， 47（2）： 302-307.

［24］CHEN C， LU Z F， GUO Z， et al. Deep learning based single channel blind separation of co frequency modulated signals［C］∥Proc.of the International Conference on Communications and Networking， 2019： 607-618.

［25］MA H， ZHENG X， YU L， et al. A novel end to end deep separation network based on attention mechanism for single channel blind separation in wireless communication［J］. IET Signal Processing， 2022， 17（2）： e12173.

［26］RONNEBERGER O， FISCHER P， BROX T. U Net： convolutional networks for biomedical image segmentation［C］∥Proc.of the Medical Image Computing and Computer Assisted Intervention， 2015： 234-241.

［27］WANG H N， CAO P， WANG J Q， et al. Uctransnet： rethinking the skip connections in U Net from a channel wise perspective with transformer［C］∥Proc.of the AAAI Conference on Artificial Intelligence， 2022.

［28］ZHANG J W， ZHANG Y C， JIN Y Z， et al. MDU Net： multi scale densely connected U Net for biomedical image segmentation［J］. Health Information Science and Systems， 2023， 11（1）： 00352.

［29］趙孟晨， 姚秀娟， 王靜， 等. 基于Stacked TCN的空間混疊信號單通道盲源分離方法［J］. 系統(tǒng)工程與電子技術(shù)， 2021， 43（9）： 2628-2636.

ZHAO M C， YAO X J， WANG J. Single channel blind source separation method of spatial aliasing signal based on Stacked TCN［J］. Systems Engineering and Electronics， 2021， 43（9）： 2628-2636.

作者簡介

付衛(wèi)紅（1979—），女，教授，博士，主要研究方向為盲信號處理、雷達(dá)目標(biāo)成像。

張鑫鈺（1999—），男，碩士研究生，主要研究方向為通信信號盲源分離。

劉乃安（1966—），男，教授，博士，主要研究方向為無線通信。